1.3 数据成为重要战略资源

数据要素市场化是数字经济的新现象。由于大数据与人工智能技术的结合，数据已经成为第一生产要素，数据及其运行机制成为支撑算法算力切实有效发挥作用的关键要素，是数字经济高质量发展的基础原料和逻辑基点[19]。数据正成为企业进行决策、生产、营销、交易、配送、服务等商务活动所必不可少的投入品和重要的战略性资产，成为促进经济高质量增长的重要驱动力。协同推进技术、模式、业态和制度创新，切实用好数据要素，将为经济社会数字化发展带来强劲动力。[20]

1.3.1 国家战略

2015年，党的十八届五中全会正式提出“大数据”战略并将其上升为国家战略，数据成为国家基础性战略资源。[21]《中华人民共和国国家安全法》[22]和《中华人民共和国网络安全法》[23]先后出台，关于数据合规的法律体系开始逐步搭建。

2019年10月，中国共产党第十九届中央委员会第四次全体会议审议通过了《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》，指出“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，首次将数据作为与劳动、资本、土地、知识、技术、管理并列的生产要素，从制度层面确立了数据作为新的生产要素的重要地位。[24]

2020年4月9日，《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》正式公布，分类提出了土地、劳动力、资本、技术、数据五个要素领域改革的方向，明确了完善要素市场化配置的具体举措，提出从推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护三个方面加快培育数据要素市场，并肯定了“数据产权”，旨在加强对商业数据的保护。[25]

2021年，《中华人民共和国数据安全法》[26]和《中华人民共和国个人信息保护法》[27]出台，数据合规领域的基本法律体系搭建完成。

2022年1月，国务院印发的《“十四五”数字经济发展规划》提出，充分发挥数据要素作用，强化高质量数据要素供给，加快数据要素市场化流通，创新数据要素开发利用机制。[28]

2022年4月发布的《中共中央 国务院关于加快建设全国统一大市场的意见》提到，要加快培育数据要素市场，建立健全数据安全、权利保护、跨境传输管理、交易流通、开放共享、安全认证等基础制度和标准规范，深入开展数据资源调查，推动数据资源开发利用。[29]

2022年6月22日，中央全面深化改革委员会第二十六次会议审议通过了《关于构建数据基础制度更好发挥数据要素作用的意见》，对数据确权、流通、交易、安全等方面做出部署。会议明确，数据基础制度建设事关国家发展和安全大局，要维护国家数据安全，保护个人信息和商业秘密，促进数据高效流通使用、赋能实体经济，统筹推进数据产权、流通交易、收益分配、安全治理，加快构建数据基础制度体系。[30]

数据被列为生产要素，具有了基础性战略资源和关键性生产要素双重角色，数据要素市场开始加速培育。

1.3.2 数据要素

1.数据要素的概念和特征

生产要素是指进行社会生产经营活动必备的资源和环境条件，相应的具体形态与主次序列随着经济发展而不断变迁[31]。传统的经济学将资源和劳动作为最基本的生产要素，其中资源的背后是土地、自然资源、能源等“物”的要素，劳动则是“人”的要素，人类利用不断开发、不断进步的技术将“地球的馈赠”转化为供人类使用的商品和服务[32]，因此过去的生产要素市场包括土地、劳动力、资本、技术市场。

在5G、物联网、云计算、大数据、区块链和人工智能等合力作用之下，数据对生产的贡献越来越突出，同时也显著提升了其他生产要素的利用效率，成为具有多重价值的生产资料。这一新兴生产要素正与其他要素一同参与到经济价值创造过程中，成为完善要素市场化配置的重要部分[33]。数据要素涉及数据生产、采集、存储、加工、分析、服务等多个环节，对价值创造和生产力发展有广泛影响，是驱动数字经济发展的“助燃剂”。数据具有生产要素的一般特征，包括以下几个。

1）需求性：随着互联网、大数据、人工智能等新技术对实体经济渗透程度的日渐加深，市场对数据要素的需求日益提高。近年来，数据作为国民经济信息化、数字化、智能化的技术基础，逐步融入传统产业的生产服务中，对既有工序实行痛点疏通，对供需关系进行精准预测，进而突破了制约效率提升的桎梏，为全社会创造出难以估量的再生价值。因此，数据已融入经济循环全产业价值创造过程，是人类从事经济活动时必要的生产要素。[34]

2）不可替代性：数据要素赋能经济发展的作用日益凸显。

3）稀缺性：如果一种资源具有生产有用性，但不稀缺，而是取之不尽、用之不竭，则不属于经济资源讨论的范围。数据作为生产要素的稀缺性主要体现在用户需求上，经济活动行为者对于数据要素的需求是无限的，而数据要素的开发需要相应的成本。经济活动行为者受限于人力、物力、财力等方面，其数据资源拥有量总是有限的。

数据作为土地、资本、技术、劳动等传统生产要素之外的新的生产要素，具有独特的经济属性。

1）非物质性：根据数据的定义可知，数据无论存在于何种物质载体中，都表现为非物质的数据状态，同一数据无论记录在纸张还是计算机上，始终是等价的。

2）共享性[35]：传统生产要素的利用表现为占有和消耗，当物质资源或能源资源量一定时，各利用者在资源利用上总是存在着明显的竞争关系，即“你多我就少”。而数据在产生后进行复制、传输、使用的边际成本趋近于零，突破了土地、资本等传统生产要素的局限性，不存在上述的竞争关系。数据可以被多个经济主体同时使用，对额外用户的开放使用并不会降低原有数据使用者或数据原始持有人的数据价值，更多用户使用同一数据并不会造成其他用户的利益受损。

3）非均质性：资本、劳动等传统生产要素具有一定的均质性。资本的每一元钱之间没有本质区别；劳动力之间尽管有明显差别，但是这种差别只是在一定范围内存在，均质性仍然比较明显；不同技术之间存在的差异性更大，但是专利审查制度的出现和执行会将这种差异度减小，因此专利数据常用于衡量创新能力，尽管其准确性有待商榷。而同样的数据量所对应的信息量可能是截然不同的，一个可能是极有用的信息，另一个则可能是垃圾信息，且数据要素存在“1+1＞2”的规模经济特性。两个本不能指导和调节现实生产与再生产过程的数据集合并，可能揭示原来分立的数据集都不能揭示的经济规律，发挥意料之外的调节和指导作用。

4）外部性：在数据要素交易过程中，数据有偿使用与“搭便车”行为往往共存，数据信息外溢会给其他经济主体带来经济利益，可能不会使数据产权主体得到合理回报。

2.数据要素市场的概念及条件

数据要素市场是将尚未完全由市场配置的数据要素转向由市场配置的动态过程，其目的是形成以市场为根本的调配机制，实现数据流动的价值或者数据在流动中产生价值。数据要素市场的发展将推动商业模式向以消费者数据为中心转变。

我国发展数据要素市场的基础条件主要包括以下几个。

1）海量数据资源：随着新一代信息技术的快速发展，人类进入万物互联时代，带来海量数据的急速汇聚和生成，为数据资源化、资产化、资本化发展提供了肥沃土壤和丰富原料。我国是数据大国，网民规模居世界第一，是数据量最大、数据种类最丰富的国家之一。然而，目前我国数据利用率较低，大量数据未能发挥应有的价值，间接反映出我国数据要素潜藏的市场空间巨大。

2）数据基础设施：近年来，5G、数据中心、人工智能等新型数据基础设施日益完善。新基建的加快建设为数据要素流通提供了良好的基础环境。车联网、可穿戴设备、无人机、无线医疗、智能制造等应用场景不断丰富，对数据要素市场的培育和发展具有较强的促进作用。数据中心集数据、算法、算力于一体，不仅为海量数据提供存储计算服务，还为各类场景优化提供数据应用服务，成为海量数据的“图书馆”、海量算力的“发动机”、海量服务的“发射器”。

3）培育交易市场：数据要素市场的培育也至关重要，主要包括市场配置、市场定价、市场交易、市场竞争。市场配置意味着数据产权的独立性和数据交易的自由性，数据要素确权是市场配置的前提。由于数据具有虚拟性，不如其他实物要素那样方便计价，需要在确权的基础上进行专业估价，进而在市场磨合定价。市场交易须克服地方与行业壁垒、大企业垄断，达成中外数据要素市场联通，实现数据线上交易和线下服务的高效协作。数据要素规模和质量差异引起市场竞争，这种竞争有利于数据产品创新和社会生产力提高。但同类数据市场竞争的结果往往是形成一家独大的局面，从而逐渐消解竞争。[36]

3.数据要素市场的发展意义

（1）传统生产要素市场的有力补充 数据作为新型生产要素，对经济增长的影响已经不亚于传统生产要素。数据要素与传统生产要素深度融合，能够显著提高生产效率，壮大发展新动能。数据作为生产要素参与资源配置，提升社会数据资源价值，进一步推动数字经济发展。数据要素激励出新的产业模式，以物联网、云计算、人工智能等新型信息技术为驱动的企业应运而生，为数据提供了更多可利用的场景，有效推动了产业转型升级。同时，数据作为生产要素参与资源配置鼓励了数字产业化、产业数字化、数字化治理和数据价值化，尤其是通过数据定价、数据确权等对数据进行价值化，形成全新的数字经济体系，更好地激励数据参与到社会生产中，加快推动数字经济发展的进程。

（2）数字经济深化发展的核心引擎 数据的爆发增长、海量集聚蕴藏了巨大的价值，为智能化发展带来了新的机遇。随着大数据市场规模突破1万亿元，数据在数字经济中的地位不断提升，要素属性逐渐凸显。充分发挥数据要素市场化配置是我国数字经济发展水平达到一定程度后的必然结果，也是数据供需双方在数据资源和需求积累到一定阶段后产生的必然现象。数据要素市场对数字经济发展的积极作用表现在以下几个方面：

第一，数据作为新的关键投入要素，是催生和推动数字经济新产业、新业态、新模式发展的基础。在数据挖掘、脱敏、分析的基础之上对数据资源实现高效利用，将极大地推动创新、加速产业升级。数据成本的大幅下降决定了数字经济整个产业链效率的提升，能有效促进数字经济的专业化分工。

第二，数据是数字经济产业链最重要的传输介质。虽然数字经济的运行包括很多实体货物产品和中间品的传递，但整个产业链是围绕数据从创造、收集、加工到应用延伸的，产业链中的每一个环节都对数据进行更深一步的加工后再传递到下一个环节。从某种意义上说，数字经济的主线就是数据要素价值的不断挖掘，并与其他产业进行深度融合。

第三，随着全球化的推进，通过跨国货物贸易、资金往来、人才流动、信息交流、跨国公司在全球布局产能，一般要素的价格在参与国际产业分工的国家不断趋同。对于数字经济而言，数据则是一种很难被趋同的要素资源。不同国家和地区数据要素的差异主要表现在数据规模和对数据的处理能力方面，虽然数据处理能力容易实现趋同，但数据创造规模与人口、经济规模相关，人口和经济总量直接决定数据创造的上限，而各个国家和地区在这方面的差异是巨大的。当数据成为专属资源时，拥有更多人口和更大经济规模的地区在数字经济分工上占有更大优势。

第四，数据对其他生产要素也具有乘数作用，可以利用数据实现供给与需求的精准对接，创新价值链流转方式，放大劳动力、资本等要素在社会各行业中的价值。善用数据生产要素，促进数据要素市场化，有助于推动数字经济与实体经济深度融合，为经济转型发展提供新动力，实现高质量发展。因此，利用好数据要素是驱动数字经济创新发展的重要抓手。

第五，数据与算法、算力的有机融合构成数字经济的核心内涵。数据流动调配计算机算力，驱动算法体系搭建的平台运行，构成了数字经济的核心内涵。数字经济与传统经济形态的根本不同在于计算机算法算力体系利用数据进行决策，解放与发展了人的有目的劳动和思维活动，极大地拓展了人类改造自然世界和协调人类社会的能力。在数字经济中，人们借助各类数字平台进行的生产与交换行为、社会交往行为、公共治理行为等，都是通过产生数据流来驱动算法算力体系实现的。此外，政府和企业在处理人们的原始数据请求时，还将产生新的数据。所有数据被长时间存储和积淀下来，就构成了数据资源池。在利用数据资源池的过程中，同样需要大量的计算机算力配合适当的算法体系进行运算分析。随着计算机智能水平和算力规模的不断发展，数据越来越成为驱动数字经济运行的核心要素。数据要素市场、算法体系和算力系统之间也是互为条件、相互制约的，三者所构成的有机整体就是数字经济的核心。

第六，数据要素是数字经济运行和进一步创新发展的燃料。加快培育数据要素市场，有利于为算法体系发展提供基础训练数据集，也有利于牵引数据处理需求，推动数字经济核心硬件与软件自主化和赶超发展。必须充分发挥我国海量数据优势，撬动巨大市场应用规模潜能发挥，加快发展新一代人工智能，助力我国赢得全球科技竞争主动权。这是由数据-算法-算力的相互制约关系所决定的。

第七，新产业的创生和新技术在新行业的广泛应用，仅仅是一次宏大技术革命浪潮的开始阶段。只有当新技术扩散到新部门之外的广泛领域，深入改造足够多的传统部门生产体系，新技术范式所蕴含的生产力潜力才能真正得以释放，新技术对社会生产方式的全面变革才能得以实现。目前，我国数字经济发展仅处于展开初期，数字经济对社会生产方式的变革仍集中在新兴行业。加快培育数据要素市场，有利于充分激发传统产业数字化转型以采集数据、利用数据的积极性，推动数字经济与实体经济深度融合，开启数字经济发展的新阶段，推动我国产业优化升级和生产力整体跃升。

第八，在数字经济发展的国际竞争中，我国必须及时抢占数据开发利用的技术高点和先机，加快发展数据要素市场和数据治理体系，积极保护和开发数据资源，保障国内数字经济发展空间，保证数据资源开发利用带来的增长红利为我所用。世界各国正在抢先开发利用本国乃至世界范围内的数据资源。美国于2012年实施《大数据的研究和发展计划》，欧盟委员会也于2020年2月发布《欧洲数据战略》，推动数字资源的解锁利用，甚至统一数据市场的建设。

（3）国民经济健康发展的全新赋能 数字经济发展在国民经济发展中的地位正不断提升，积极推动培育规范化的数据要素市场，充分挖掘数据要素的价值，加速数据要素安全、高效地流通，对于国民经济发展具有重要意义。

积极推动数据要素市场培育与发展，能够大幅度提高国民经济运行效率。数据要素市场的出现，改变了传统的治理模式、生产模式与商业模式，将劳动力从传统的体力劳动中解放出来，采用更灵活、更高效、更具弹性的生产方式。借助云计算、物联网、人工智能、机器学习等新型数字技术，对数据进行实时的采集、使用、传播与价值化等，能够实时、快速、有效地从海量数据中挖掘出有价值的信息并进行传输与传播，形成更强有力的生产力，从而提升国民经济的运行效率。

积极推动数据要素市场培育与发展，有助于我国产业结构转型升级。新型数字技术的出现与传统产业碰撞出新的火花，催生出企业更大的创造力和应对市场需求变化、潜在机会的敏捷性，使其具备更有弹性和柔性的生产能力，及时预警风险与发现机会。数据要素市场有效地促进了产业在生产模式、产业链等方面的升级，优化企业的产品供给、推动产业数字化升级与数字产业化发展，增强宏观经济调控的准确度。

积极推动数据要素市场培育与发展，有助于提升国家政府治理效能。在数字化治理方面，我国大力建设与发展数据驱动的数字化政府和新型智慧城市，搭建与优化政府信息化技术框架，积极推动政务服务、数字治理、数据治理三方面的建设，最大化地利用数据为百姓提供高效透明的公共服务。对于国家治理而言，数据要素市场丰富了社会治理的资源，通过引入数字化技术充分利用当前海量的数据资源，有效地降低了服务成本、提升了治理效能。加速数据要素市场化配置从国家治理层面也有着显著的社会效用，能够改善传统治理模式，实现多主体协同共治，促进政府数据开放共享，加快推动各地区、部门、主体之间的数据共享与交换，以及数据责任清单的制定，优化治理模式与服务。

综上可见，数据要素市场对促进国民经济各个方面的发展有着重要的意义。数据要素市场作为数字经济发展中不可或缺的核心与中坚力量，对国家经济发展与国民生活水平的提升有着重要的价值和影响。只有积极推动数据要素市场的培育与发展，才能更好地提升我国经济水平，增强我国综合实力，更好地服务于民、便利于民。[37]

1.3.3 数据确权与交易

1.数据确权

除了要发挥数据的价值之外，还要重视和关注数据的确权、交易与定价。数据确权是数据要素市场的逻辑起点，决定数据权益的分配方式。数据所有权具有一般产权的内涵，包括占有权、收益权、使用权等。企业与企业之间的数据所有权冲突时有发生。2018年发生的“华为腾讯数据之争”便是由数据所有权引发的争端。

产权是经济学的一个基本概念，指一种可执行的社会架构。该架构决定经济资源如何被使用或拥有[38]，包括：第一，使用经济资源的权利；第二，从经济资源中获得收益的权利；第三，将经济资源转移给他人、改变经济资源、放弃经济资源，以及损毁经济资源的权利。产权可以细分为所有权、占有权、支配权、使用权、收益权和处置权等“权利束”。产权界定是任何要素有效配置的前提。

数据资产的确权就是要解决依附于数据的权利归谁所有的问题。数据资产归属问题的一个重要症结在于企业和消费者之间的冲突。企业利用数据资产获利，但这一过程往往伴随着对消费者利益的侵害。目前比较成熟的做法是将个人信息分为不同的隐私和风险等级，给予不同程度的拒绝权、收益权等控制性权利，赋予数据产品持有者（企业）有限制的占有权来解决数据滥用和数据垄断问题。我国各部委制定行业分类标准，典型的有2020年央行颁布的金融数据安全分级标准等。

数据确权是建立数据交易市场秩序和规则的前提条件，是厘清数据流通边界的根本途径，是实现数据收益按贡献分配的必由之路。数据权属的确定有利于明确数据交易主体的责权利，规范数据交易主体行为，化解数据产权不确定所带来的利益冲突，保护各自的合法权益，形成良好的数据交易秩序，引导数据交易相关方规范公正地完成数据交易，促进数据产业繁荣发展。数据确权的难点有以下几个。

1）数据产权界定的复杂性来源于数据的特殊性。一方面，数据的非消耗性、非竞争性使传统的科斯定理无法直接适用；另一方面，从数据本身的特性来看，数据产权外延内的所有权和一般民法对所有权的界定不同。数据权在数据的全生命周期中有不同的支配主体，权利人需承担更多的义务和责任，不仅要对数据泄露和数据侵权等事件承担责任，而且需要在日常数据收集和处理等工作中履行相应义务。个人维护数据权益受到专业能力、技术装备等方面的局限性，需要从法律层面加大对数据拥有者的规制力度，明确企业对数据市场活动的行为边界。在政府数据开放的讨论语境下，政府数据也是一种重要的权利客体。相对于个人数据和政府数据的概念，商业数据比较模糊，尚未成为严格的法律概念。大部分企业因数据授权信息难以界定，数据流通环节难以追踪管控，无法确保数据在允许的范围内流动，对商业秘密、客户个人隐私泄露心存疑虑，对外部单位共享数据的意愿不高，直接制约了企业数据对经济社会价值的有效释放。

2）原始数据和衍生数据的产权界定陷入两难。与其他财产不同，数据的全生命周期由多个参与者（数据提供者、数据收集者、数据处理者等）对数据进行支配，每一个参与者在各自环节赋予数据不同价值。赋予某一参与者专属的、排他性的所有权不可行，需要在数据提供者、数据处理者等参与者之间进行协商和划分，确定各权利主体之间的边界和相互关系。数据权利内容还会随着应用场景的变化而变化，甚至衍生出新的权利内容，使得事先约定权利归属变得困难。

3）物权法、合同法、知识产权法等法律仍不完善，数据的电子化、易复制性、隐蔽性等特点使数据确权更加复杂困难。从经济学的角度来看，按照科斯定理的基本原则，如果对产权的法律界定导致交易成本过高，从而事实上阻止了数据交易和流通，那么这种权利界定就是无效率的。对于经过匿名化处理、总体价值密度较低的大数据而言，其中包含的每一条个人信息的贡献价值其实都非常小。如果认可个人的财产权利主张，那么个人授权或获取分成收益的成本很可能超过其信息贡献价值，导致数据交易成本太高，从而无法实现数据在市场上的流通，甚至使数据市场失去存在的意义。但从法学角度来看，认可个人的财产权利主张有其维护社会公平的道理，这是数据权属争议的核心问题。[39]

2.数据交易

我国还没有制定出台有关数据交易的专门性法律法规，可交易和流转的数据范围没有明确的界定。在产权、估值等数据交易要素不明朗的情况下，数据交易市场规模化发展尚待时日。自2014年以来，全国多地启动了大数据交易所建设，截至2019年年底，我国数据交易平台超50个。数据交易作为新业态尚处于孵化中，大数据交易所面临层次较低、质量较低、交易额度较低、风险较高的现实困境，需依托现有的数据交易平台，进一步探索数据交易规则和估值标准、权益保护机制，打造市场化数据交易生态体系，形成资本与数据价值变现的良性循环。

与传统实体形态的市场渠道不同，数据要素通过网络平台实现配置。这就要求5G基站、大数据中心等数字技术设施覆盖市场区域，数据交易网络的技术支持完备，数据交易网络的平台健康运行，万物互联网交易链接便捷，要素市场供求信息公开、发布及时，各类要素市场连为一体。数据要素交易须克服地方与行业壁垒、大企业垄断，达成中外数据要素市场连通，实现数据线上交易和线下服务的高效协作。

从产品的角度来划分，数据交易可以分为两大类[40]。一是基于数据集的交易，这类数据通常是机器学习的训练集数据[41]或专家决策系统所依赖的底层数据，其交易标的物多以数据集和定制化API的方式呈现，产品具有规模化、劳动密集型、质量强相关、多次迭代等特点。第二类是基于数据分析衍生品的交易，京东、淘宝这样的平台除了促成数以亿计的线上交易外，还通过网站埋点来感知与采集数据，积累实时、细粒度的商品交易、用户行为等海量数据，并在此基础上进行人物、商品、行为多维度与关联性分析，经过平台长时间序列的数据积累，即可衍生出各类基于海量数据的涉及国计民生、各行各业的数据分析报告等，这类数据交易的产品具有规模化、强衍生、多维度、隐蔽性等突出特点。

从依托主体来划分，数据交易主要分为基于平台的数据交易和基于服务商的数据交易。基于平台的数据交易有Facebook、X（原Twitter）、Amazon、Google以及国内的京东、携程、百度等，此类数据通过平台对用户行为进行感知而产生，具有原创和可实时更新的特点。基于平台的数据交易能产出上述数据集及数据分析衍生品两类产品。基于服务商的数据交易如Statista、Clarivate等，可以基于服务商收集和整理多个数据源的数据，但服务商并不产出原始数据。此类交易同样可以产出上述数据集及数据分析衍生品两类产品。

1.3.4 数据资产价值

1.数据价值

对数据价值进行评估是数据资产管理的关键环节，是数据要素市场化和资产化的前提。狭义的数据价值是指数据的经济效益，广义的数据价值是指在经济效益之外考虑数据的业务效益、成本计量等因素[42]。不同的研究机构对数据价值评估进行研究，有以下的研究结果：①国家标准化管理委员会提出数据资产应用效果的分析，考虑数据资产的使用对象、使用次数和使用效果评价，在评估数据资产的运营效果时有参考价值[43]。②中国资产评估协会提出数据资产的评估专家指引，参考无形资产评估，为数据资产评估提出改良成本法、改良收益法和改良市场法三种方法。③Gartner作为全球技术咨询服务公司，从多角度评估数据资产的多方面的价值，提出市场价值、经济价值、内在价值、业务价值、绩效价值、成本价值、废弃价值、风险价值共八大维度的信息资产价值评估模型。④阿里研究院将数据资产与无形资产进行对比，探索无形资产评估方法在数据资产中运用的可能性，分析数据资产价值影响因素以及五种评估方式，分别是市场价值法、多期超额利润法、前后对照法、权利金节省法、成本法[44]。⑤中国信息通信研究院云计算与大数据研究所从内在价值、成本价值、经济价值、市场价值四个价值维度出发，建立数据资产价值评估体系。

综合国内外组织的上述研究成果，数据的价值主要包含以下内容：

（1）内在价值 内在价值是指数据本身所蕴含的潜在价值，通过数据规模、数据质量等指标进行衡量。评估数据资产内在价值是评估数据资产能力的基础，对于数据资产其他维度的价值评估具有指导作用。数据的内在价值包含数据质量评分、服务质量评分、使用频度评分三个维度：数据质量评分是从数据的完整性、准确性、规范性等质量维度统计数据的通过率情况；服务质量评分是从业务应用角度统计数据的覆盖度和使用友好性情况；使用频度评分是统计数据资产的使用频度情况[45]。

（2）成本价值 数据资产的成本价值是指数据获取、加工、维护和管理所需的财务开销，包括获取成本、加工成本、运维成本、管理成本、风险成本等。评估数据资产成本价值有助于优化数据成本管理方案，有效控制数据成本。获取成本是指数据采集、传输、购买的投入成本，加工成本是指数据清洗、校验、整合等环节的投入成本，运维成本是指数据存储、备份、迁移、维护与IT建设的投入成本，管理成本是指围绕数据管理的投入成本，风险成本是指由于数据泄露或外部监管处罚等风险而可能带来的损失。

（3）经济价值 数据资产的经济价值是指运用数据资产所产生的直接或间接的经济收益，通过货币化方式计量数据资产为企业做出的贡献。公式为：经济价值=业务总效益×数据资产贡献比例，其中，数据资产贡献比例的计算存在难度，可考虑利用业务流和价值流对业务总效益进行拆解，并对应数据流，进一步界定该业务价值环节的数据资产贡献比例。

（4）市场价值 市场价值是指在公开市场上售卖数据产品所产生的经济收益，等于数据产品在对外流通中产生的总收益。随着数据产品需求的增加以及数据交易市场规则的建立，该方法的可行性与准确性逐步提升。

（5）绩效价值 这即数据对于工作绩效的价值，例如提高工作效率、降低沟通成本等。

（6）商业价值 这即数据在商业活动中的价值衡量，从而让业务更加高效、精准、低成本和有据可依，便于促进商业模式的优化和创新，有利于商业的长期持续发展。

2.数据价值链

迈克尔·波特最早提出“价值链”的概念，认为企业内外价值增加的活动可分为基础活动和辅助活动，二者构成了企业的价值链，如图1.4所示。数据价值链是描述数据价值创造的理论创新，通过数据价值创造活动实现数据的价值创造以及传递过程中的价值增值，强调通过对价值链各节点上数据的采集、传输、存储、分析以及应用，实现数据的价值创造以及在传递过程中的价值增值。由此，数据价值链可以理解为是由数据获取、数据存储、数据分析、数据应用等基础活动以及软硬件基础设施、研究与开发、人力资源管理等辅助活动构成的。

随着信息技术的迅速发展和广泛应用，数据已经成为市场经济不可或缺的新生产要素。数据价值链的概念是从企业价值链发展延伸而来的，前提是信息技术与产业的深度融合。企业价值链的分析方法主要用于确定企业在关键环节上的核心竞争力，从而形成行业竞争优势。2017年，大数据战略重点实验室首次在《中国大数据发展报告No.1》中提出“数据价值链”的概念。2020年7月，经全国科学技术名词审定委员会批准，“数据价值链”作为大数据新词被准予向社会发布试用。

3.数据定价

数据定价存在诸多难点。一方面，数据价格既与数据质量有关，也与数据收集难易程度有关，更与特定场景有关。对有的人“价值连城”的数据可能对其他人是“徒增成本”，数据产品的异质性、一品一价大大增大了数据市场定价难度。数据要素价值由生产加工数据产品的社会必要劳动时间所决定，是价格的基础，同时价格又受到市场供求关系的影响。数据具有虚拟性，需要在确权的基础上进行专业估价，进而在市场磨合定价，具有垄断性且涉及国计民生的基础数据定价还需要辅之以听证会的方式。为了统一数据估值标准，可从多种类数据交易市场切入，发挥市场力量探索数据定价机理，在多方互动中逐步明确数据要素定价规则和标准。

另一方面是管控难，目前大部分平台采用消费者免费使用的模式，给数据产品或服务定价监管带来新挑战。面对市场上数据产品定价不公的现象，消费者一般只能被动接受。保护消费者合法权益需要引入合理的定价机制，才能进行有效引导并加以规范。基于数据价值质量、应用、风险三个维度的市场法、成本法、收益法以及基于非市场角度的条件价值法和隐私价值法，都有各自的优缺点，没有完全解决数据定价机制的问题。数据估值缺乏统一的衡量标准，使数据无法作为资产进行会计核算，数据交易时买方不清楚应支付费用额度，数据要素收益分配时不清楚该如何测算贡献比例。

数据资产的评估方法有三种分类：

（1）基于数据生产者 修正历史成本法和市场法。

1）修正历史成本法：在假设市场各方为理智消费者的前提下，买方购买的数据资产将带来的经济收益应至少等于或大于购买其所需的资金成本。然而与传统的有形资产不同，数据资产的特质导致卖方可以反复出售数据资产，且被出售后数据不会消耗或减值。同时，数据资产可带来的未来收益跨度极大，且产生价值的衡量标准并不统一。如若买方购买数据后从未使用，那么我们可以认为其内在价值和使用价值均为零，只存在成本；而当数据资产为使用方提供了大量的决策分析价值与研究价值时，那么其资产评估价值应远超其历史购买成本。为了应对数据资产独有的特征与限制，穆迪和华尔希在1999年首次提出了修正历史成本法来强调数据的特殊属性与使用途径。

2）市场法：旨在理解客户的支付意愿，即客户为商品或服务有意愿支付的最高金额。当数据可以作为市场上的商品进行定价和交易时，买卖双方的交易定价为显示性偏好或显示性价值。当无法依靠市场定价时，数据的价值则通过叙述性偏好或叙述性价值间接地进行衡量。

（2）基于数据使用者 贡献比例法和决策导向估值法。

1）贡献比例法：自上向下型的估值模型，旨在使用结构性方法去分析并预测某资产对项目结果的相对影响。本方法首先确定可量化的预期结果，反推并研究能够达成该结果的最佳使用案例，最后将案例中资产的累计贡献作为其价值评估的参考。

2）决策导向估值法：由斯坦德在2015年提出，也是自上向下型的估值模型，目的为判断数据资产在未来收益中重要程度的相对占比，从而确定该数据资产的价值。企业对于任何数据库的购买或生成都是一个决策点，如若决策点价值为正，即数据库带来的未来收益大于成本，则决策点有效，反之则不应继续购买或生成该数据库。

（3）基于数据中心 基于消费的价值评估法和科研数据保护法

1）基于消费的价值评估法：作为数据的交通枢纽，数据中心的信息具有多端口来源、多端口输出的特征。与生产者和使用者不同，数据中心的价值并不来自对数据的出售或使用，而是基于“数据价值的评判只与数据的使用次数挂钩”，即使用次数越多，数据价值越高。所以，针对其价值的评估方法不应该拘泥于该数据中心所创造的现金收益，而是应该通过统计数据库的使用次数及人数的方式判断数据中心的价值所在。

2）科研数据保护法：该方法的最佳适用数据类型为重前期研究投入的科研型数据中心，且它对成本与收益的未来预测时间跨度往往在一年以上。此类数据中心往往国家或地方政府给予支持，公益性和科研性的重要程度远高于对短期盈利的追求。因此，在针对科研数据中心的评估中，选择评估方法时需要格外注意科研数据中心的社会职责，从宏观的角度看待科研数据中心为社会整体所带来的价值。

4.数据确权、数据价值与数据交易的关系

数据确权是数据价值和数据交易的前提条件，明确的权利归属有利于市场价格的形成、降低信息不对称风险并促进资产的流通[46]。通过构建数据要素市场体系，要加快建立数据确权机制与数据确权基本框架，加快建立和明确数据定价规则，为数据交易提供价值评估和价格依据。数据价值的确立有利于促进数据交易过程标准化，也有利于制定数据流通交易规则，从而积极营造便于数据要素流通的市场环境。

◎ 本章思考题：

1.根据案例资料，深入分析华为数字化转型的路径、方法。

2.找出不同行业的数字化转型案例，并总结其数字化转型的方法和过程。

3.阅读理解国家数字化转型发展的相关政策文件，并阐述政策文件对社会、经济、文化等方面的影响。

4.阅读数据要素相关资料，了解目前数据要素市场的建设状况，掌握我国现有的数据交易市场现状。

---

[1] 案例来源：CIO发展中心.华为的数字化转型之道[EB/OL].（2020-10-14）[2022-11-28]. www.ileader.com.cn/html/2020/10/14/72037.htm.

[2] GURBAXANI V, DUNKLE D. Gearing up for successful digital transformation[J]. MIS Quarterly Executive, 2019，18（3）：209-220.

[3] CHANIAS S, MYERS M D, HESS T. Digital transformation strategy making in pre-digital organizations:the case of a financial services provider[J]. The Journal of Strategic Information Systems, 2019，28（1）：17-33.

[4] 唐浩丹，蒋殿春.数字并购与企业数字化转型：内涵、事实与经验[J]. 经济学家，2021（4）：22-29.

[5] 焦宗双，张雪滢.工业互联网与制造业数字化转型[J].信息通信技术与政策，2020（3）：49-52.

[6] 祝合良，王春娟.“双循环”新发展格局战略背景下产业数字化转型：理论与对策[J]. 财贸经济，2021，42（3）：14-27.

[7] 中国电子技术标准化研究院.企业数字化转型白皮书：2021年[EB/OL].（2021-11-03）[2022-11-23]. www.cesi.cn/images/editor/20211104/20211104152310850.pdf.

[8] DUNLEAVY P, MARGETTS H, BASTOW S, et al. New public management is dead: Long live digital-era governance[J].Journal of Public Administration Research and Theory, 2006，16（3）：467-494.

[9] 许峰.地方政府数字化转型机理阐释：基于政务改革“浙江经验”的分析[J].电子政务，2020（10）：2-19.

[10] 祝智庭，胡姣.教育数字化转型的理论框架[J].中国教育学刊，2022（4）：41-49.

[11] SHANNON C E.A mathematical theory of communication[J].Mobile Computing and Communications Review, 2001，5（1）：3-55.

[12] HUANG J, HENFRIDSSON O, LIU M J, et al. Growing on steroids:Rapidly scaling the user base of digital ventures through digital innovation[J]. MIS Quarterly, 2017，41（1）：301-314.

[13] PORTER M E, HEPPELMANN J E.How smart, connected products are transforming competition[J]. Harvard Business Review, 2014，92（11）：62-88.

[14] PORTER M E. Strategy and the Internet[J]. Harvard Business Review, 2001，79（3）：62-78，164.

[15] 华为技术有限公司.华为行业数字化转型方法论白皮书[EB/OL].（2019-03-20）[2022-11-23]. e.huawei.com/cn/material/enterprise/newict/digitalplatform/78924a97a2a24768a4329308b4a1d3e4.

[16] 祝合良，王春娟.“双循环”新发展格局战略背景下产业数字化转型：理论与对策[J]. 财贸经济，2021，42（3）：14-27.

[17] 戚聿东，肖旭.数字经济时代的企业管理变革[J].管理世界，2020，36（6）：135-152；250.

[18] 戚聿东.数字经济时代的企业管理变革[Z/OL].（2021-05-08）[2022-09-18]. https://k.cnki.net/CInfo/Index/14239.

[19] 陈兵，赵秉元.数据要素市场高质量发展的竞争法治推进[J]. 上海财经大学学报：哲学社会科学版，2021，23（2）：3-16；33.

[20] 中华人民共和国国务院.“十四五”数字经济发展规划[EB/OL].（2022-01-12）[2022-11-23]. www.gov.cn/zhengce/content/2022-01/12/content_5667817.htm.

[21] 何哲.五中全会，大数据战略上升为国家战略[EB/OL].（2015-11-08）[2022-12-01]. politics.people.com.cn/n/2015/1108/c1001-27790239.html.

[22] 中华人民共和国国家安全法[EB/OL].（2015-07-01）[2022-12-01].www.gov.cn/xinwen/2015-07/01/content_2888316.htm.

[23] 中华人民共和国网络安全法[EB/OL].（2016-11-07）[2022-12-01].www.gov.cn/xinwen/2016-11/07/content_5129723.htm.

[24] 中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定[EB/OL].（2019-11-05）[2022-12-01].www.gov.cn/zhengce/2019-11/05/content_5449023.htm.

[25] 中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见[EB/OL].（2020-04-09）[2022-12-01]. www.gov.cn/zhengce/2020-04/09/content_5500622.htm.

[26] 中华人民共和国数据安全法[EB/OL].（2021-06-11）[2022-12-01].www.gov.cn/xinwen/2021-06/11/content_5616919.htm.

[27] 中华人民共和国个人信息保护法[EB/OL].（2021-08-20）[2022-12-01].www.gov.cn/xinwen/2021-08/20/content_5632486.htm.

[28] 中华人民共和国国务院.“十四五”数字经济发展规划[EB/OL].（2022-01-12）[2022-12-01].www.gov.cn/zhengce/content/2022-01/12/content_5667817.htm.

[29] 中共中央 国务院关于加快建设全国统一大市场的意见[EB/OL].（2022-04-10）[2022-12-01].www.qstheory.cn/yaowen/2022-04/10/c_1128547604.htm.

[30] 习近平主持召开中央全面深化改革委员会第二十六次会议[EB/OL].（2022-06-22）[2022-12-01]. mp.weixin.qq.com/s/-3d9xEogfD-iYXnoH_hhlg.

[31] 王夙.加快培育数据要素市场[N].经济日报，2020-04-16（5）.

[32] 田杰棠，刘露瑶.交易模式、权利界定与数据要素市场培育[J].改革，2020（7）：17-26.

[33] 刘旭然.加快培育发展数据要素市场[J].中国党政干部论坛，2021（2）：71-74.

[34] 武汉大学大数据研究院.中国数据要素市场发展报告综论[EB/OL].（2022-07-01）[2022-11-23]. finance.sina.com.cn/tech/roll/2022-11-11/doc-imqmmthc4098302.shtml.

[35] 武汉大学大数据研究院.中国数据要素市场发展报告综论[EB/OL].（2022-07-01）[2022-11-23]. finance.sina.com.cn/tech/roll/2022-11-11/doc-imqmmthc4098302.shtml.

[36] 武汉大学大数据研究院.中国数据要素市场发展报告综论[EB/OL].（2022-07-01）[2022-11-23]. finance.sina.com.cn/tech/roll/2022-11-11/doc-imqmmthc4098302.shtml.

[37] 武汉大学大数据研究院.中国数据要素市场发展报告综论[EB/OL].（2022-07-01）[2022-11-23]. finance.sina.com.cn/tech/roll/2022-11-11/doc-imqmmthc4098302.shtml.

[38] 邹传伟.数据要素市场的组织形式和估值框架[J].大数据，2021，7（4）：28-36.

[39] 武汉大学大数据研究院.中国数据要素市场发展报告综论[EB/OL].（2022-07-01）[2022-11-23]. finance.sina.com.cn/tech/roll/2022-11-11/doc-imqmmthc4098302.shtml.

[40] 武虹，李世欣，陈庆鹏，等.建设数据要素市场的核心问题及解决路径探讨[J].今日科苑，2022（8）：4-13.

[41] 杨琪，龚南宁.我国大数据交易的主要问题及建议[J].大数据，2015，1（2）：38-48.

[42] 中国信息通信研究院云计算与大数据研究所.数据资产管理实践白皮书：5.0版[EB/OL].（2021-12-20）[2022-11-23].www.vzkoo.com/document/d3dee7984b3e9a76344a7ecf608aa29f.html.

[43] 国家标准化管理委员会.电子商务数据资产评估指标体系[EB/OL].（2019-06-04）[2022-11-23]. openstd.samr.gov.cn/bzgk/gb/newGbInfo?hcno=20775B4FD5BABBFE66E2C1CC0F6EEE0A.

[44] 阿里研究院.数据资产化之路：数据资产的估值与行业实践[EB/OL].（2019-11-04）[2022-11-23]. www.cbdio.com/BigData/2019-11/04/content_6152582.htm.

[45] 中国信息通信研究院云计算与大数据研究所.数据资产管理实践白皮书：5.0版[EB/OL].（2021-12-20）[2022-11-23].www.vzkoo.com/document/d3dee7984b3e9a76344a7ecf608aa29f.html.

[46] 林文声，王志刚，王美阳.农地确权、要素配置与农业生产效率：基于中国劳动力动态调查的实证分析[J].中国农村经济，2018（8）：64-82.